微信公众号:OpenCV学堂 关注获取更多计算机视觉与深度学习知识
前言
大家好,YOLOv8 框架本身提供的API函数是可以两行代码实现 YOLOv8 模型推理,这次我把这段代码封装成了一个类,只有40行代码左右,可以同时支持YOLOv8对象检测、实例分割、姿态评估模型的GPU与CPU上推理演示。
程序实现
YOLOv8框架支持的函数推理会自动识别模型的类型是对象检测、实例分割、姿态评估中哪一种,有GPU支持的情况下,默认会使用GPU推理。
推理运行在一个单独的PyQT线程中,通过信号与槽机制实现推理结果返回与更新。实现的线程代码如下:
class InferenceThread(QtCore.QThread):
fire_stats_signal = QtCore.pyqtSignal(dict)
def __init__(self, settings):
super(InferenceThread, self).__init__()
self.settings = settings
self.detector = YOLOv8PtInference(settings)
self.input_image = settings.input_image
def run(self):
if self.detector is None:
return
if self.input_image.endswith(".mp4"):
cap = cv.VideoCapture(self.input_image)
while True:
ret, frame = cap.read()
if ret is True:
self.detector.infer_image(frame)
self.fire_stats_signal.emit({"result": frame})
else:
break
else:
frame = cv.imread(self.input_image)
self.detector.infer_image(frame)
self.fire_stats_signal.emit({"result": frame})
self.fire_stats_signal.emit({"done": "done"})
return
直接通过PT模型推理的好处有两点,一个是不需要写部署代码了,二是精度不会在模型转化中有细微损失了。特别适合Python开发者
对象检测 - 运行截图如下:
实例分割 - 运行截图如下:
姿态评估 - 运行截图如下: